Se você constrói com modelos de difusão ou autorregressivos todos os dias, mas nunca aprendeu de onde eles vêm, um material gratuito que circula no Hacker News é voltado diretamente para você. The Little Book of Generative AI Foundations, de Tianhua Chen, deriva as principais famílias de modelos generativos a partir dos primeiros princípios em um único caminho conectado, então a ideia não é catalogar arquiteturas, mas mostrar como elas se relacionam entre si.
O que o separa das centenas de panoramas que já existem é esse percurso único. O livro passa pela análise de componentes principais e sua versão probabilística, pelos variational autoencoders, pelos modelos de difusão, pelos normalising flows, pelas fatorações autorregressivas, pelas GANs e Wasserstein GANs e pelos modelos baseados em energia. Cada um é desenvolvido passo a passo, e o fio que os conecta é a ideia toda: o leitor vê que são variações de uma matemática compartilhada, e não sete truques sem ligação. O autor é explícito ao dizer que o livro não tenta cobrir cada arquitetura nova nem os detalhes de implementação, e mantém o foco nas derivações necessárias para acompanhar o raciocínio.
A versão revisada é a que vale ler. Foi publicada em 8 de setembro de 2026, tem 195 páginas e acrescenta explicações visuais ao longo do texto, enquanto a primeira versão, de 28 de maio, era mais curta e simples. Está disponível como PDF, como uma compilação HTML experimental, com o código-fonte TeX e até com um resumo em áudio, e o autor convida a comentários e correções.
O valor é prático, não inédito. Nada da matemática é novo, e esse é justamente o ponto: é um texto didático, não um resultado de pesquisa. Para um engenheiro que usa as ferramentas por trás de modelos como o Stable Diffusion ou os grandes modelos de linguagem que analisamos e quer entendê-los de verdade, um único caminho guiado pelas derivações é mais útil do que outra lista de métodos. Ele fica ao lado dos livros-texto consagrados em vez de substituí-los, e serve de boa ponte para as referências padrão mais densas.
A ressalva honesta é que é um preprint autopublicado, não um livro revisado por pares, então não passou por revisão formal, e qualquer derivação em que você se apoie para um trabalho real vale conferir contra uma fonte padrão. Um livro de 195 páginas também é um compromisso, não uma leitura rápida, e pressupõe familiaridade com probabilidade e álgebra linear de graduação. Para o leitor certo, esses são preços pequenos por uma exposição clara e conectada de por que esses modelos funcionam.